作业名层次化聚类算法预测作业运行时间

预测作业的运行时间有益于提升系统的调度性能,而聚类有助于训练出更好的预测模型。传统的聚类算法很难将相似的作业名聚类,为了将相似的作业更好地聚类,通过分析其组成成分的语义重要性,构建字母-结构-数字的作业名层次化聚类算法。以两台超级计算机的真实数据为例,实验结果发现,应用此算法聚类后的数据训练模型的预测精度相较传统方法有一定的提升,整体预测精度为70%～80%。     

边消警文献信息资源保障体系建设构想

阐述了边消警文献信息资源保障体系建设的内涵和建设原则,从资源体系建设、服务体系建设、网络平台建设和保障体系建设等四方面对边消警文献信息资源保障体系建设的内容进行了探讨.     

云计算安全协议设计

分析了目前云计算服务中存在的应用风险和安全隐患,并将其抽象为两方面的问题,即安全边界问题和用户服务资源映射问题。为了解决这两个方面的问题,根据云计算系统的实际需求,给出云计算服务的一种普适性的定义;在此定义基础上,提出了云计算服务的安全框架,并设计了云计算服务各层协议集合。在这个框架和协议集合下,分析了保证云计算服务正常执行所需的四方面要素,以及将诸要素较好地整合在一起的方法。     

适用于云计算的多接收方代理重加密方案

在云计算环境下,绝大多数信息处理和存储都被转移到云中心,用户终端的计算和存储能力将逐渐弱化。本文针对这一趋势,提出一种适用于云计算的多接收方代理重加密方案,充分利用云中心的分布式计算能力,使用随机数重用和密文聚合技术,大大降低了计算和传输负担,实验表明本方案具有较高的效率。     

基于混沌蚁群算法的云计算应用优化研究

以改进蚁群算法应用在云计算中的不足为目的,讨论了蚁群算法基本原理和云计算下应用的缺陷。提出一种适合云计算的混沌蚁群改进算法,该算法通过Logistic映射产生混沌量,根据混沌遍历性和有界性对蚁群算法初始路径进行混沌初始化,同时加入混沌扰动调整算法信息素更新策略,改进了蚁群算法收敛速度慢和易陷入局部最优的缺点。最后通过Cloud Sim搭建仿真云环境并进行算法调度实验,通过横向对比标准蚁群算法和Dijkstra算法,证明混沌蚁群算法在执行效率和相对标准差等方面优于其他算法,更加适合于云计算环境。     

陆战场中的计算卸载和资源分配

移动边缘计算（MEC）作为5G时代的关键技术之一,通过计算卸载的方式提升任务执行质量。区别于其他研究,以陆战场为应用背景,针对多类型卸载任务共存的情况,考虑各类型任务的属性及需求,划分任务卸载优先级,以最小化系统开销为目标的同时提升高卸载优先级任务的卸载数量。通过仿真验证上述方法的可行性与优越性。     

面向云计算的数据中心网络拓扑研究

目前对数据中心网络拓扑的研究主要集中在如何提高结构性能上,却忽略了数据中心网络拓扑是否与云计算机制相适应的问题.针对该问题,建立了一种面向云计算的数据中心网络拓扑结构.研究了在具有该拓扑结构的数据中心网络上执行主流云计算机制的方法.分析了该拓扑结构的网络规模、网络直径等性能.仿真结果表明在具有该拓扑结构的数据中心网络上...     

军事仿真训练系统体系架构改进研究

现有军事仿真训练系统多基于传统C／S架构进行体系设计,在大规模战术训练仿真部署时,存在并发访问能力弱、可靠性差等问题。通过对仿真系统的体系架构进行研究,结合云计算技术提出增加访问控制服务器、仿真数据共享服务器以及仿真引擎虚拟化等改进方式,并通过对比分析,总结了三种方式对仿真训练系统的可扩展性、并发访问性以及数据可靠性等方面能力优化和提升的异同,并提出仿真训练系统传统体系向云计算体系逐步过渡的思路。     

适应低时延业务需求的分布式可穿戴单兵作战信息系统

针对云计算应用在单兵作战系统场景下业务处理时延高、服务质量无法保障的问题,提出一种基于可穿戴计算的分布式单兵作战信息系统。利用士兵身上的可穿戴智能设备构建本地计算层,在作战地点就近处理计算数据,提供给士兵本地的信息处理与融合能力,并采用广义扩散负载均衡算法平衡各设备负载,降低业务处理时延;同时利用分布式计算的容错能力增强系统的可靠性。仿真结果表明,基于可穿戴设备的分布式本地网络架构能有效地降低作战任务的处理时延,同时增强系统的可靠性。     

基于R-树索引的Map-Reduce空间连接聚集操作

空间连接聚集是一种常用并且非常耗时的空间数据库操作,特别是在面对大规模空间数据集时,单机运行环境难以满足其对时空开销的需求,如何设计高效的面向云计算环境中的分布式空间连接聚集算法越来越受到人们关注。Map-Reduce作为云计算的核心模式受限于其扁平化的串行扫描操作模型,常被用来加速非索引的空间连接操作,现有工作尚无将Map-Reduce和R-树索引结合来处理空间连接聚集。因此,提出了基于R-树索引的Map-Reduce空间连接聚集算法(RSJA-MR)来更高效地返回连接聚集结果。提出一种分布式R-树索引结构以支持大规模空间数据的索引,RSJA-MR算法利用分布式R-树生成任务集,任务集的执行满足无依赖并行计算模式,很容易在Map-Reduce框架中进行表达。文中提出一种实时缓存策略以支持索引并发访问。实验结果表明:相比非索引的Map-Reduce连接聚集算法,在空间交叠连接聚集查询上,时间性能最少提升8%,在空间包含连接聚集查询上,时间性能最少提升近35%。